转自：http://suanfazu.com/t/caffe/281
Caffe是一个清晰而高效的深度学习框架，其作者是博士毕业于UC Berkeley的贾扬清，目前在Google工作。
Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换：
Caffe::set_mode(Caffe::GPU);Caffe的优势
- 上手快：模型与相应优化都是以文本形式而非代码形式给出。
Caffe给出了模型的定义、最优化设置以及预训练的权重，方便立即上手。 - 速度快：能够运行最棒的模型与海量的数据。
Caffe与cuDNN结合使用，测试AlexNet模型，在K40上处理每张图片只需要1.17ms. - 模块化：方便扩展到新的任务和设置上。
可以使用Caffe提供的各层类型来定义自己的模型。 - 开放性：公开的代码和参考模型用于再现。
- 社区好：可以通过BSD-2参与开发与讨论。
Caffe的网络定义
Caffe中的网络都是有向无环图的集合，可以直接定义：
name: "dummy-net" layers {name: "data" …} layers {name: "conv" …} layers {name: "pool" …} layers {name: "loss" …}数据及其导数以blobs的形式在层间流动。
Caffe的各层定义
Caffe层的定义由2部分组成：层属性与层参数，例如
name:"conv1" type:CONVOLUTION bottom:"data" top:"conv1" convolution_param{ num_output:20 kernel_size:5 stride:1 weight_filler{ type: "xavier" } }这段配置文件的前4行是层属性，定义了层名称、层类型以及层连接结构（输入blob和输出blob）；而后半部分是各种层参数。
Blob
Blob是用以存储数据的4维数组，例如
- 对于数据：Number*Channel*Height*Width
- 对于卷积权重：Output*Input*Height*Width
- 对于卷积偏置：Output*1*1*1
训练网络
网络参数的定义也非常方便，可以随意设置相应参数。
甚至调用GPU运算只需要写一句话：
solver_mode:GPU
Caffe的安装与配置
Caffe需要预先安装一些依赖项，首先是CUDA驱动。不论是CentOS还是Ubuntu都预装了开源的nouveau显卡驱动（SUSE没有这种问题），如果不禁用，则CUDA驱动不能正确安装。以Ubuntu为例，介绍一下这里的处理方法，当然也有其他处理方法。
# sudo vi/etc/modprobe.d/blacklist.conf # 增加一行 ：blacklist nouveau sudoapt-get --purge remove xserver-xorg-video-nouveau #把官方驱动彻底卸载： sudoapt-get --purge remove nvidia-* #清除之前安装的任何NVIDIA驱动 sudo service lightdm stop #进命令行，关闭Xserver sudo kill all Xorg安装了CUDA之后，依次按照Caffe官网安装指南1.3K安装BLAS、OpenCV、Boost即可。
Caffe跑跑MNIST试试
在Caffe安装目录之下，首先获得MNIST数据集：
cd data/mnist sh get_mnist.sh生成mnist-train-leveldb/ 和 mnist-test-leveldb/，把数据转化成leveldb格式：
sh examples/mnist/create_mnist.sh训练网络:
sh train_lenet.sh